יישום אלגוריתם PoseConv3D בזיהוי תנועות באימוני צ'ירלידינג

אימון חכם לספורט מהיר ותובעני

הצ'ירלידינג של היום הוא הרבה יותר מסחופת ציד; זהו ענף אקרובטי קבוצתי תובעני שבו טעויות קטנות בזמן או בישורת הגוף יכולות להניב הבדל בין טריק נקי לנפילה מסוכנת. ועדיין רוב האימון מסתמך על העין האנושית וצפיות וידאו איטיות. המאמר הזה מציג מערכת בינה מלאכותית שיכולה לצפות בשגרות צ'ירלידינג פריים אחר פריים, להבין את תנוחת הגוף של הספורטאים ולזהות אוטומטית הן את המהלך שמתבצע והן את רמת הקושי שלו — מה שפותח פתח לאימון בטוח, מדויק ואישי יותר.

מדוע צ'ירלידינג מהווה אתגר מיוחד

ספורט ופעילויות יומיומיות רבות נבחנו כבר בעזרת ראייה ממוחשבת, אך צ'ירלידינג דוחף את השיטות הקיימות אל גבולותיהן. המתאמנים מסתובבים מספר פעמים בשנייה, מבצעים סלטות באוויר ובונים פירמידות רב‑אישיות שבהן גופות חופפות וחוסמות את זווית המצלמה. תנועות שנראות דומות במרחב — כמו גל של זרועות או בעיטות גבוהות — עלולות להיבדל בעיקר בקצבן, דבר שאלגוריתמים סטנדרטיים מתעלמים ממנו ברוב המקרים. כתוצאה מכך, מערכות זיהוי תנועות נפוצות מטעות בזיהוי מיקום מפרקים מרכזיים, מאבדות מעקב אחרי פרטים בעמידות קבוצתיות ומבלבלות מהלכים בעלי מסלולי תנועה דומים, מה שמוביל לדיוק נמוך ומשוב לא מהימן באולמות אימון אמיתיים.

הפיכת סרטונים לשלדי דיגיטל נקיים

המערכת החדשה מבוססת על רשת קונבולוציה תלת‑ממדית מבוססת תנוחות בשם PoseConv3D, העובדת לא על פיקסלים גולמיים אלא על שלדי "דמויות מקלות" מפושטות המופקות מהווידאו. החדשנות הראשונה היא צעד תיקון דינמי שמנקה את השלדים הללו. כאשר גלאי התנוחה אינו בטוח לגבי מפרק — למשל פרק כף היד המעורפל במהלך סיבוב — המערכת חוזה את המסלול הסביר שלו לאורך זמן באמצעות עקומות חלקות שמכבידות על תנועת הפריימים השכנים. זה מצמצם רעידות וסטיות של מיקומי המפרקים ביותר מ‑40%, ומעניק לאלגוריתם הלמידה תמונה הרבה ברורה יותר של התנהגות הגוף של כל ספורטאי במהלך סיבובים מהירים ומעבורות אוויר.

לראות גם פרטים זעירים וגם דפוסים קבוצתיים גדולים

לאחר ניקוי השלדים, המערכת מנתחת תנועה בכמה סקאלות בו‑זמנית. ענף עיבוד אחד מתמקד בפרטים עדינים כמו ניעור מהיר של פרק כף היד או דחיפת קרסול, בעוד שעוד ענף מסתכל על דפוסים רחבים יותר כמו הקשת החתוכה של רגל או העלייה המתואמת של מספר ספורטאים בהרמת משקל. באמצעות מיזוג נקודות מבט אלו, המודל מבין טוב יותר כיצד התאמות קטנות תורמות ליצירות קבוצתיות גדולות. ניסויים על מאגר צ'ירלידינג ייעודי מאוניברסיטת סנטרל פלורידה — יותר מ‑500 קטעי אימון ותחרות ברזולוציה גבוהה עם תיוג קפדני של מהלכים ורמות קושי — מראים כי הגישה הרב‑סקאלרית משפרת באופן ניכר את זיהוי הטריקים המסובכים והמתואמים היטב.

ללמד את המערכת "לשמוע" את הביט

תכונה בולטת בעבודה היא שהאלגוריתם לא רק צופה כיצד הספורטאים נעים במרחב; הוא גם לומד מתי הם נעים. החוקרים מחשבים כמה מהר כל מפרק נע מפריים לפריים וממירים שינויים אלה לתבניות קצביות, בדומה להפיכת מוזיקה לספקטרום של פעימות. מודול תשומת לב מיוחד מדגיש רגעים ברצף התנועה שמתאימים לחתימות קצביות מרכזיות. זה מאפשר למערכת להבחין באופן אמין בין פעולות שעוקבות אחר מסלולים כמעט זהים אך מתרחשות בקצבים שונים, ובכך להפחית את הבלבול בין תנועות גליות לבין בעיטות מתואמות מכ‑1 מתוך 6 ניסיונות לכמה ב‑100 בלבד.

מזיהוי לשותף אימון בזמן אמת

בסוף הצנרת המערכת מפיקה שתי תוצאות במקביל: סוג מהלך הצ'ירלידינג שנעשה ודירוג קושי מוערך התואם לכללי התחרות. במהירות של כמעט 90 פריימים לשנייה, היא עולה בהרבה על הדרישה למשוב בזמן אמת. הדיוק הכולל מגיע לכ‑93% בקירוב, ובכך עוקף מספר שיטות מתקדמות במרווחים משמעותיים. עבור ספורטאים ומאמנים, זה אומר עוזר אוטומטי שיכול לסמן גלים לא מתוזמנים, נחיתות לא יציבות או רווחים בסינכרון הקבוצתי כשהם קורים, תוך מעקב אחר התקדמות במיומנויות קשות יותר — מה שמציע צעד עוצמתי לעבר אימון מבוסס נתונים, בטוח ומדוקדק יותר בצ'ירלידינג.

ציטוט: Li, Q. Application of PoseConv3D algorithm in cheerleading training action recognition. Sci Rep 16, 12265 (2026). https://doi.org/10.1038/s41598-026-43019-4

מילות מפתח: צ'ירלידינג, זיהוי תנועות, אמדן תנוחה, אנליטיקה ספורטיבית, למידה עמוקה